Le Wifi à Paris
Clémence François, Julie Poitevin, Léa Rouxel
01/12/2021
Les données de Wifi sur les hotspots de la ville de Paris
Ce script va permettre de préparer les données de Wifi dans la ville de Paris dans un premier temps. Dans un deuxième, un analyse avec un aspect spatial permet de comprendre le comportement des connexions depuis 2019.
1- Préparation du projet R
Télécharger les données nécessaires au projet :
Utilisation du Wifi de Paris (télécharger en csv)
Localisation des hotspots du Wifi de Paris (télécharger en shp)
Définir l’environnement de travail
On définit le dossier qui centralise les données et où les différents jeux de données seront exportés
Chargement des packages R nécessaires
S’assurer que l’ensemble des packages nécessaires sont bien installés
library(tidyverse)
library(sf)
library(lubridate)
library(mapsf)
library(cluster)
library(ggplot2)
library(wesanderson)
library(treemap)
library(plotly)Mise en place d’une option permettant d’éviter l’écriture scientifique dans les graphiques et dans les cartes
options (scipen = 999)Importation des différents jeux de données utilisés
Données d’utilisation du Wifi de Paris
wifi <- read.csv("paris-wi-fi-utilisation-des-hotspots-paris-wi-fi.csv", header = TRUE, sep = ";", dec = ".", encoding = "UTF-8", stringsAsFactors=FALSE)Données géographiques des arrondissements
ardt <- st_read(dsn = "arrondissements.shp", stringsAsFactors = FALSE)## Reading layer `arrondissements' from data source
## `C:\Users\learo\Downloads\arrondissements.shp' using driver `ESRI Shapefile'
## Simple feature collection with 20 features and 8 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 2.224078 ymin: 48.81558 xmax: 2.469761 ymax: 48.90216
## Geodetic CRS: WGS 84ardt <- st_transform(ardt, 2154)Données géographique des hotspots du Wifi de Paris
sites <- st_read(dsn = "sites-disposant-du-service-paris-wi-fi.shp", stringsAsFactors = FALSE)## Reading layer `sites-disposant-du-service-paris-wi-fi' from data source
## `C:\Users\learo\Downloads\sites-disposant-du-service-paris-wi-fi.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 273 features and 6 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: 2.255761 ymin: 48.76286 xmax: 2.499478 ymax: 48.93255
## Geodetic CRS: WGS 84sites <- st_transform(sites, 2154)On affiche la répartition des différents hotspots du Wifi de Paris (un affichage des arrondissements en fond permet de mieux comprendre la répartition)
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_typo(
x = sites,
var="nom_site",
lwd = 1, leg_pos = "n", add = T)
mf_theme(fg = "#000000")
mf_title(txt="Localisation des hotspots de connexion au Wifi de Paris", bg = "#cdd2d4", fg = "#8A5543")
mf_credits(txt="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")
mf_scale(2,pos = "bottomright")
mf_arrow(pos = "topleft")
On joint aux données de localisation des hotspots les données d’utilisation du Wifi.
Cela permet de transformer les données d’utilisation en objet géographique.
wifiSites <- merge(sites, wifi, by.x = "idpw", by.y = "Code.Site")2- Nettoyage et filtrage des données du Wifi de Paris
Etape 1 -> Sélection et renommage des variables à conserver
wifiZero <- wifiSites %>% select(code_site = idpw, nom_site = Nom.du.site, starttime = Date.heure.début, endtime = Date.heure.fin, duration = Temps.de.session.en.secondes, code_postal = Code.postal, type_app = Type.d.appareil, constr_app = Constructeur.appareil, navigateur = Version.navigateur, octet_in = Donnée.entrante..Octet., octet_out = Donnée.sortante..Octet., language = Langue.utilisateur, adresse = Adresse, nb_borne = Nombre.de.bornes, geometrie = geometry)Etape 2 -> Formatage et création des variables liées à la date et à l’heure
wifiZero <- wifiZero %>% mutate(s_jour = as.Date(substr(starttime,1,10)))
wifiZero <- wifiZero %>% mutate(s_heure = substr(starttime,12,19))
wifiZero <- wifiZero %>% mutate(s_annee = substr(starttime,1,4))
wifiZero <- wifiZero %>% mutate(s_journee = wday(s_jour,label= TRUE, abbr= FALSE))
wifiZero <- wifiZero %>% mutate(s_mois = month(s_jour,label = TRUE, abbr = FALSE))
wifiZero$s_journee <- factor(wifiZero$s_journee,levels = c("lundi", "mardi", "mercredi", "jeudi", "vendredi", "samedi", "dimanche"))Réalisation d’un graphique récapitulatif du nombre de connexions aux hotspots par jour avec une catégorisation par jour de la semaine
AgregDate <- wifiZero %>% group_by(s_jour, s_journee) %>% summarise (NbConnexions= n())
ggplot(AgregDate, aes(x=s_jour, y=NbConnexions, fill=s_journee)) +
geom_bar(stat="identity") +
theme_minimal() +
scale_fill_brewer(palette="Set2") +
labs(x = "", y = "Nombre de connexions") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+ guides(fill=guide_legend(title="Jour"))+ ggtitle("Nombre de connexions au Wifi de Paris par jour entre 2019 et 2021 ")
Réalisation de deux graphiques récapitulatif du nombre de connexions et de la duréer moyenne par jour de la semaine au Wifi de Paris
AgregJour <- wifiZero %>% group_by(s_journee) %>% summarise (NbConnexions= n(), DureeMoyenne = mean(duration))
ggplot(AgregJour, aes(x=s_journee, y=NbConnexions, fill=s_journee)) +
geom_bar(stat="identity") +
theme_minimal() +
scale_fill_brewer(palette="Set2") +
labs(x = "", y = "Nombre de connexions") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+ ggtitle("Nombre de connexions au Wifi de Paris par jour de la semaine") + guides(fill = "none")
ggplot(AgregJour, aes(x=s_journee, y=DureeMoyenne, fill=s_journee)) +
geom_bar(stat="identity") +
theme_minimal() +
scale_fill_brewer(palette="Set2") +
labs(x = "", y = "Durée de connexion") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+ ggtitle("Durée moyenne de connexion au Wifi de Paris par jour de la semaine") + guides(fill = "none")
Etape 3 -> Suppression des entités vides, extérieures à Paris et non numériques
Affichage d’un tableau récapitulatif des modalités de code postal
wifiZero %>% group_by(code_postal) %>% summarise(n())## Simple feature collection with 24 features and 2 fields
## Geometry type: GEOMETRY
## Dimension: XY
## Bounding box: xmin: 645371.1 ymin: 6857895 xmax: 658886 ymax: 6866913
## Projected CRS: RGF93 / Lambert-93
## # A tibble: 24 x 3
## code_postal `n()` geometrie
## <chr> <int> <MULTIPOINT [m]>
## 1 75001 130526 ((647490.3 6862661), (647862 6862557), (648150.7 6862114)~
## 2 75002 14625 ((647490.3 6862661), (651615 6863144), (651616.5 6863180)~
## 3 75003 42150 ((650867.7 6861453), (652402 6862111), (652540.6 6862064)~
## 4 75004 218342 ((645371.1 6859751), (647490.3 6862661), (647862 6862557)~
## 5 75005 45135 ((647490.3 6862661), (648977.3 6862773), (650295.8 685816~
## 6 75006 16504 ((647490.3 6862661), (648615.7 6860391), (650655.6 686110~
## 7 75007 68159 ((645371.1 6859751), (647490.3 6862661), (647862 6862557)~
## 8 75008 55192 ((646896.5 6859467), (647490.3 6862661), (647862 6862557)~
## 9 75009 52979 ((647490.3 6862661), (648150.7 6862114), (649586.7 686223~
## 10 75010 117936 ((647490.3 6862661), (648651.1 6861847), (650867.7 686145~
## # ... with 14 more rowswifiZero <- wifiZero %>% filter(! (code_postal == "" | code_postal == "#N/A" | code_postal =="MUSEE DE LA LIBERATION" | code_postal == "MAISON VICTOR HUGO" | code_postal == "MUSEE CARNAVALET" | code_postal == "92100"))Etape 4 -> Création d’un variable arrondissement à partir du code postal
wifiZero <- wifiZero %>% mutate(ardt = as.integer(substr(code_postal, 3, 5)))Etape 5 -> Vérification de l’uniformisation du code_site
Affichage d’un tableau récapitulatif des modalités du code de site
wifiZero %>% group_by(code_site) %>% summarise(n())## Simple feature collection with 262 features and 2 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: 645371.1 ymin: 6857895 xmax: 658886 ymax: 6866913
## Projected CRS: RGF93 / Lambert-93
## # A tibble: 262 x 3
## code_site `n()` geometrie
## <chr> <int> <POINT [m]>
## 1 PW0001 4539 (654476 6866040)
## 2 PW0002 19606 (653909.8 6865378)
## 3 PW0003 7455 (650112.1 6865745)
## 4 PW0004 1624 (654757.1 6865162)
## 5 PW0005 1761 (655126.2 6864201)
## 6 PW0006 19797 (652636.8 6865132)
## 7 PW0007 2435 (653361.9 6866294)
## 8 PW0008 2688 (655822.2 6864540)
## 9 PW0009 28915 (653306.9 6865754)
## 10 PW0010 13117 (652863 6863721)
## # ... with 252 more rowsEtape 6 -> Reclassification des modalités similaires
Pour la variable type de support
Affichage d’un graphique récapitulatif des modalités du type de support
TypeApp <- wifiZero %>% group_by(type_app) %>% summarise(Nb=n())
ggplot(TypeApp) + geom_col(aes(x = Nb, y = type_app), fill="#b1dcac", width = .3) +
xlab("Nombre de connexions") + ylab("Type de support")+
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+
ggtitle("Nombre de connexions au Wifi de Paris selon le type de support")
wifiZero$type_app[wifiZero$type_app %in% c("Computer")]<-"Ordinateur"
wifiZero$type_app[wifiZero$type_app %in% c("Tablet")]<-"Tablette"Pour la variable constructeur du support
wifiZero %>% group_by(constr_app) %>% summarise(n())## Simple feature collection with 12 features and 2 fields
## Geometry type: MULTIPOINT
## Dimension: XY
## Bounding box: xmin: 645371.1 ymin: 6857895 xmax: 658886 ymax: 6866913
## Projected CRS: RGF93 / Lambert-93
## # A tibble: 12 x 3
## constr_app `n()` geometrie
## <chr> <int> <MULTIPOINT [m]>
## 1 Apple 649887 ((645371.1 6859751), (645820.8 6862266), (645948.9 6860478~
## 2 ARCHOS 24 ((648875 6859865), (652062.5 6864296), (652139.5 6862618),~
## 3 Asus 9389 ((645371.1 6859751), (646604.7 6863301), (646896.5 6859467~
## 4 autre 979686 ((645371.1 6859751), (645820.8 6862266), (645948.9 6860478~
## 5 HTC 2343 ((645371.1 6859751), (646896.5 6859467), (646898.5 6859446~
## 6 HUAWEI 37497 ((645371.1 6859751), (645820.8 6862266), (645948.9 6860478~
## 7 LG 4274 ((645371.1 6859751), (646604.7 6863301), (646896.5 6859467~
## 8 Nokia 9374 ((645371.1 6859751), (645820.8 6862266), (646604.7 6863301~
## 9 other 7963 ((645371.1 6859751), (646604.7 6863301), (646896.5 6859467~
## 10 RIM 667 ((647862 6862557), (648977.3 6862773), (649212 6864658), (~
## 11 Samsung 134592 ((645371.1 6859751), (645820.8 6862266), (645948.9 6860478~
## 12 Sony 144 ((645371.1 6859751), (646896.5 6859467), (647223.1 6861947~wifiZero$constr_app[wifiZero$constr_app %in% c("other","autre")]<-"Autres"Etape 8 -> Vérification et uniformisation des modalités de la variable Langue
Affichage d’un graphique récapitulatif des modalités de Langue
Langue <- wifiZero %>% group_by(language) %>% summarise(Nb = n())
ggplot(Langue) + geom_col(aes(x = Nb, y = language), fill="#b1dcac", width = .9) +
xlab("Nombre de connexions") + ylab("Langue")+
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+
ggtitle("Nombre de connexions au Wifi de Paris selon la langue")
Correction de l’encodage du fichier de base et reclassification des modalités similaires
wifiZero$language[wifiZero$language %in% c("", "#N/A")]<-"Autres"
wifiZero$language[wifiZero$language %in% c("Fran‡ais")]<-"Français"
wifiZero$language[wifiZero$language %in% c("Tha‹landais")]<-"Thaïlandais"
wifiZero$language[wifiZero$language %in% c("Chinois simplifié", "Chinois traditionnel", "Chinois simplifi‚")]<-"Chinois"
wifiZero$language <- str_replace(wifiZero$language, pattern = "‚", replacement = "é")Création d’un tableau secondaire excluant les valeurs d’Octet_in = 0
wifiOk <- wifiZero %>% filter(! octet_in == 0)Création d’une grille de 500m sur 500m sur l’emprise de Paris
grille <- st_make_grid(
wifiOk,
cellsize = 500,
crs = 2154,
what = "polygons",
square = FALSE)
#Transformation de la grille en objet spatial
grille <- st_sf(grille)
#Ajout d'un identifiant unique à chaque carreau
grille <- grille %>% mutate(id = row_number())Intégration à chaque connexion au Wifi de l’entité du carreau de la grille correspondant
wifiGrille <- st_join(wifiOk, grille["id"])Mise en place d’une CAH
Construction du dataframe comprenant les variables de la CAH agrégées à chaque carreau de la grille
- Nombre de connexions au Wifi
- Durée de connexions moyenne au Wifi
- Moyenne des octets entrants
- Moyenne des octets sortants
PrepaCAH <- wifiGrille %>% group_by(id) %>%
summarise(NbConnexions = n(),
DureeMoyenne = mean(duration),
Octet_in = mean(octet_in),
Octet_out = mean(octet_out)
)
CAH1 <- data.frame(PrepaCAH[, c("NbConnexions", "DureeMoyenne", "Octet_in", "Octet_out")])
CAH1 <- CAH1 %>% select(NbConnexions, DureeMoyenne, Octet_in, Octet_out)Centrage et réduction des variables agrégées
CAHscale <- scale(CAH1)Calcul de la CAH
La CAH a été calculée à l’aide de l’algorithme de regroupement hiérarchique ascendant AGNES en utilisant la méthode de Ward et la distance euclidienne.
Les individus sont regroupés de façon à ce que les classes constituées soient les plus homogènes possibles, c’est-à-dire avec une inertie intraclasse minimale et une variance interclasse maximale.
CAHGrille <- agnes(CAHscale,
metric = "euclidean",
method = "ward")Graphique des gains d’inertie inter-classe
sortedHeight<- sort(CAHGrille$height,decreasing= TRUE)
relHeight<-sortedHeight/ sum(sortedHeight)*100
barplot(relHeight[1:30],names.arg=seq(1, 30, 1),col= "#900C3F",border= "white",xlab= "Noeuds",ylab= "Part de l'inertie totale (%)", main = "Graphique d'inertie de la CAH")
Partitionnement en 5 classes
clusGrille <- cutree(CAHGrille, k = 5)
GrilleCluster <- as.data.frame(PrepaCAH)
GrilleCluster$CLUSWIFI <- factor(clusGrille,
levels = 1:5,
labels = paste("Classe", 1:5))Tableau récapitulatif des groupes
RecapCAHGrille <- GrilleCluster %>% group_by(CLUSWIFI) %>%
summarise(NB= n(), NbConnex = mean(NbConnexions), DureeMean = mean(DureeMoyenne), OInMoyen = mean(Octet_in), OOutMoyen=mean(Octet_out))
RecapCAHGrille## # A tibble: 5 x 6
## CLUSWIFI NB NbConnex DureeMean OInMoyen OOutMoyen
## <fct> <int> <dbl> <dbl> <dbl> <dbl>
## 1 Classe 1 42 4893. 2731. 65711157. 10100917.
## 2 Classe 2 81 9061. 1805. 51810971. 7409491.
## 3 Classe 3 38 11512. 3186. 87786069. 14256954.
## 4 Classe 4 5 72920. 2266. 58150379. 9368365.
## 5 Classe 5 3 2778. 4023. 216567024. 15550854.Graphique récapitulatif des écarts à la moyenne
Construire un tableau récapitulatif des écarts à la moyenne
SyntheseCAHGrille <- RecapCAHGrille %>% mutate(
nbconnexmoy = mean(CAH1$NbConnexions),
dureemoy = mean(CAH1$DureeMoyenne),
inmoy = mean(CAH1$Octet_in),
outmoy = mean(CAH1$Octet_out),
NbConn=(NbConnex- nbconnexmoy)/nbconnexmoy*100,
Duree=(DureeMean- dureemoy)/dureemoy*100,
Octet_in=(OInMoyen- inmoy)/inmoy*100,
Octet_out=(OOutMoyen- outmoy)/outmoy*100)
SyntheseCAHGrille <- data.frame(SyntheseCAHGrille[, c("CLUSWIFI","NbConn", "Duree", "Octet_in", "Octet_out")])
SyntheseCAHGrille## CLUSWIFI NbConn Duree Octet_in Octet_out
## 1 Classe 1 -52.73937 13.853960 -1.13680 2.855338
## 2 Classe 2 -12.49052 -24.748696 -22.04979 -24.550839
## 3 Classe 3 11.18300 32.820512 32.07516 45.175309
## 4 Classe 4 604.26623 -5.512297 -12.51208 -4.604079
## 5 Classe 5 -73.16652 67.720017 225.82761 58.350799Transformation du tableau pour le passer en long
gather <- SyntheseCAHGrille %>% gather(key=variable, value= "value", NbConn:Octet_out)Affichage d’un graphique récapitulatif
ggplot(gather, aes(x=variable, y=value, fill=CLUSWIFI)) +
geom_bar(stat = "identity") +
coord_flip() +
scale_fill_manual(values=c("#416979","#f9c155","#39a699","#FF851B", "#1f78b4")) +
ylab("") +
theme_bw() +
theme(legend.position = "none") +
facet_wrap(~CLUSWIFI, ncol = 1)+
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris")+
ggtitle("Variation des classes de la CAH par rapport à la \nmoyenne du carroyage de Paris (%)")
Mise en place d’une cartographie de la CAH
Inclure le résultat de la CAH (typologie) dans la couche de la grille
GrilleWifiCAH <- left_join(grille, GrilleCluster, by= "id")Faire la carte catégorisée
par(mar=c(0,0,1.2,0))
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_typo(
x = GrilleWifiCAH,
var="CLUSWIFI",
pal = c("#416979","#f9c155","#39a699","#FF851B", "#1f78b4"),
lwd = 0.1,
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T, leg_pos = "n")
mf_legend_t(pos = "topright",
val = c("Classe 1", "Classe 2","Classe 3","Classe 4","Classe 5"),
pal = c("#416979","#f9c155","#39a699","#FF851B", "#1f78b4"), no_data = FALSE,
title = "Caractéristiques \nde connexion \npar type de classe",
title_cex = 0.7)
mf_title("Caractéristiques de connexion au Wifi de Paris à l'échelon du carreau (2019-2021)",bg = "#cdd2d4", fg = "#8A5543")
mf_credits("Source : Direction des Systèmes d’Information \net du Numérique - Ville de Paris")
mf_scale(2, pos = "bottomright")
mf_arrow(pos = "topleft") 
Heatmap analysant le nombre de connexions à plusieurs échelles temporelles
Heatmap sur l’année 2020
Préparation des données et construction d’un data-frame récapitulatif
Prepheatmap <- wifiZero %>% filter(s_annee == "2020")
Prepheatmap <- Prepheatmap %>% mutate(jour = (day(Prepheatmap$s_jour)), wotm= ceiling(day(Prepheatmap$s_jour) / 7))
heatmap <- Prepheatmap %>% group_by(s_journee, jour, s_mois, wotm) %>% summarise(NB_Connexions=n())Affichage du résultat sous forme graphique
pal <- wes_palette("Zissou1", 100, type = "continuous")
ggplot(heatmap, aes(s_journee,s_mois, fill = NB_Connexions)) + geom_tile(colour = "white") +
labs(fill = "Nombre de connexions") +
scale_fill_gradientn(colours = pal) +
xlab("Jour de la semaine") +
ylab("Mois") +
ggtitle("Nombre de connexions au Wifi de Paris par jour en 2020") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris") + theme_bw()
Heatmap par jour entre 2019 et 2021
Préparation des données et construction d’un data-frame récapitulatif
PrepheatTt<- wifiZero %>% mutate(jour = (day(wifiZero$s_jour)), wotm= ceiling(day(wifiZero$s_jour) / 7))
heatmap2 <- PrepheatTt %>% group_by(s_jour, s_journee, jour, s_mois, s_annee, wotm) %>% summarise(Nb_Connexions=n())Affichage sous forme graphique
pal <- wes_palette("Zissou1", 100, type = "continuous")
ggplot(heatmap2, aes(wotm, s_journee, fill = Nb_Connexions)) + geom_tile(colour = "white") +
facet_grid(s_annee~s_mois) + labs(fill = "Nombre de connexions") +
scale_fill_gradientn(colours = pal) + xlab("Semaine du mois") +
ylab("Jour de la semaine") + ggtitle("Nombre de connexions par jour et mois au Wifi de Paris (2019-2021)") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris") + theme_bw()
Treemap par arrondissement et type du support ou marque du support
Construction de deux data-frames récapitulatifs
TreemTapp <-wifiZero%>% group_by(ardt, type_app) %>% summarise(nb=n())
TreemCapp <-wifiZero%>% group_by(ardt, constr_app) %>% summarise(nb=n())
# Transformation en objet data frame pour permettre l'utilisation du package Treemap
TreemTapp1 <- data.frame(TreemTapp[, c("ardt", "type_app", "nb")])
TreemCapp1 <- data.frame(TreemCapp[, c("ardt", "constr_app", "nb")])treemap(TreemTapp1, index=c("ardt", "type_app"),vSize="nb", type="index",
fontsize.labels=c(14,10),
fontcolor.labels=c("black","white"),
fontface.labels=c(2,2),
bg.labels=c("transparent"),
align.labels=list(
c("left", "top"),
c("center", "center")),
overlap.labels=0.5,
inflate.labels=F,
title = "Type de support utilisé depuis le Wifi de Paris par arrondissement")
treemap(TreemCapp1, index=c("ardt", "constr_app"),vSize="nb", type="index",
fontsize.labels=c(14,10),
fontcolor.labels=c("black","white"),
fontface.labels=c(2,2),
bg.labels=c("transparent"),
align.labels=list(
c("left", "top"),
c("center", "center")),
overlap.labels=0.5,
inflate.labels=F,
title = "Marque du support utilisée depuis le Wifi de Paris par arrondissement")
Small multiple
On va construire un small multiple du nombre de connexions en fonction du jour de la semaine, du mois ainsi que du type de support utilisé lors des connexions au Wifi de Paris sur l’année 2020
Préparation des données et construction du data-frame nécessaire au small multiple
small2020<- wifiZero %>% filter(s_annee == "2020")
small <- wifiZero %>% group_by(Jour=s_journee,Mois=s_mois,Type=type_app) %>% summarise(Nb_Connexions=n())Affichage du résultat sous la forme graphique
ggplot(small, aes(x=Jour, y=Nb_Connexions, fill = Type)) + geom_col() +
theme_bw() + facet_grid(Type~Mois) + theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1), strip.text.y = element_text(face = 2)) + ylab("Nombre de connexions") + ggtitle("Nombre de connexions au Wifi de Paris selon le type de support en 2020") +
labs(caption="Source : Direction des Systèmes d’Information et du Numérique - Ville de Paris") + guides(fill = "none")
Cartographie du nombre de connexions par Langue au Wifi de Paris
Sélection des langues utilisées dans la cartographie
LangueWifi<-wifiZero %>% filter(language %in% c("Russe", "Chinois", "Arabe", "Coréen", "Japonais"))Jointure spatiale entre le data-frame des connexions et la grille
languejoin <- st_join(LangueWifi, grille["id"])Réalisation du tableau d’agrégation du nombre de connexions par identifiant du carreau et par Langue
PrepaLangue <- languejoin %>% group_by(id, language) %>% summarise(Nb_Connexions = n())Passage du tableau d’agrégation en forme long pour que chaque Langue deviennent une variable
LangueColonne <- PrepaLangue %>% spread(key= language, value = Nb_Connexions)Jointure attributaire entre le tableau d’agrégation et la grille pour réaliser la cartographie
LangueColonne1 <- data.frame(LangueColonne[, c("id", "Arabe", "Chinois", "Coréen","Japonais","Russe")])
LangueGrille <- merge(grille, LangueColonne1, by="id")Construction des 5 classes utilisés dans la cartographie
classe <- mf_get_breaks(PrepaLangue$Nb_Connexions, 5, "quantile")Production d’une planche avec une carte du nombre de connexions pour chaque Langue
par(mar=c(0,0,0.9,0))
par(mfrow=c(2,3))
#Carte langue Arabe
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_choro(
x = LangueGrille,
var = "Arabe",
breaks = classe,
pal = c("#E2E5FD", "#ABB3E6", "#7480CF", "#3D4DB8", "#051AA0"),
leg_pos = "n",
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T)
mf_legend_c(pos = "topright",
val = classe,
title = "Nombre de\nconnexions",
pal = c("#E2E5FD", "#ABB3E6", "#7480CF", "#3D4DB8", "#051AA0"),
no_data = FALSE,
cex = 0.5
)
mf_scale(size = 2)
mf_arrow(pos = "topleft")
mf_title(txt = "Arabe", pos = "center", bg = "white", fg = "black")
#Carte langue Chinois
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_choro(
x = LangueGrille,
var = "Chinois",
breaks = classe,
pal = c("#DFC9D1", "#BE9DAA", "#9C7182", "#7A455A", "#581832"),
leg_pos = "n",
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T)
mf_legend_c(pos = "topright",
val = classe,
title = "Nombre de\nconnexions",
pal = c("#DFC9D1", "#BE9DAA", "#9C7182", "#7A455A", "#581832"),
no_data = FALSE,
cex = 0.5
)
mf_scale(size = 2)
mf_title(txt = "Chinois", pos = "center", bg = "white", fg = "black")
#Carte langue Coréen
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_choro(
x = LangueGrille,
var = "Coréen",
breaks = classe,
pal = c("#F7D6F9", "#E8ACEB", "#D881DD", "#C857CF", "#B82CC0"),
leg_pos = "n",
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T)
mf_legend_c(pos = "topright",
val = classe,
title = "Nombre de\nconnexions",
pal = c("#F7D6F9", "#E8ACEB", "#D881DD", "#C857CF", "#B82CC0"),
no_data = FALSE,
cex = 0.5
)
mf_scale(size = 2)
mf_title(txt = "Coréen", pos = "center", bg = "white", fg = "black")
#Carte langue Japonais
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_choro(
x = LangueGrille,
var = "Japonais",
breaks = classe,
pal = c("#E5C811", "#DCA60D", "#D38409", "#CE7307", "#C96204"),
leg_pos = "n",
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T)
mf_legend_c(pos = "topright",
val = classe,
title = "Nombre de\nconnexions",
pal = c("#E5C811", "#DCA60D", "#D38409", "#CE7307", "#C96204"),
no_data = FALSE,
cex = 0.5
)
mf_scale(size = 2)
mf_credits("Source : Direction des Systèmes d’Information\net du Numérique - Ville de Paris")
mf_title(txt = "Japonais", pos = "center", bg = "white", fg = "black")
#Carte langue Russe
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_choro(
x = LangueGrille,
var = "Russe",
breaks = classe,
pal = c("#CDE4D4", "#9CC0A7", "#6A9C7A", "#39784D", "#07531F"),
leg_pos = "n",
border = "#FFFFFF00",
col_na = "#FFFFFF00",
add = T)
mf_legend_c(pos = "topright",
val = classe,
title = "Nombre de\nconnexions",
pal = c("#CDE4D4", "#9CC0A7", "#6A9C7A", "#39784D", "#07531F"),
no_data = FALSE,
cex = 0.5
)
mf_scale(size = 2)
mf_title(txt = "Russe", pos = "center", bg = "white", fg = "black")
Cartographie en cercle proportionnel de la moyenne de octets entrants et sortants
Construction des data-frames d’agrégations
OEntrant <- wifiOk %>% group_by(Site = code_site) %>% summarise(Octet_in=mean(octet_in))
OSortant <- wifiOk %>% group_by(Site = code_site) %>% summarise(Octet_out=mean(octet_out))Production d’une planche de 2 cartes
par(mar=c(0,0,0.9,0))
par(mfrow=c(1,2))
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_map(x = OEntrant,
var = "Octet_in",
type = "prop",
inches = 0.12,
symbol = "circle",
col = "#5bb5ef7D",
border = "#535353",
add=T,
leg_title = "Octets entrants",
leg_title_cex = 0.7)
mf_arrow(pos = "topleft")
mf_credits("Source : Direction des Systèmes d’Information\net du Numérique - Ville de Paris")
mf_base(x = ardt, col ="#dfdfdf", border = "#959595", lwd = 1)
mf_map(x = OSortant,
var = "Octet_out",
type = "prop",
inches = 0.12,
symbol = "circle",
col = "#a6f0a77D",
border = "#535353",
add=T,
leg_title = "Octets sortants",
leg_title_cex = 0.7)
mf_scale(size = 2)
mtext("Moyenne des octets entrants et sortants au Wifi de Paris entre 2019 et 2021",
side = 3,
line = -1.5,
outer = TRUE)
Diagramme en barres pour visualiser les pourcentages d’utilisation des différents types d’appareils
Préparation des données et construction d’un data-frame récapitulatif
langueApp <- wifiOk %>% count(language,type_app)
langueApp2 <- langueApp %>% group_by(language) %>% summarise(NbLangue = sum(n))
langueApp2 <- left_join(as.data.frame(langueApp), langueApp2, by=c("language"))
langueApp2 <- langueApp2 %>% select(language,type_app,n,NbLangue) %>% mutate(pourcentage = (n/NbLangue)*100)Production du diagramme en barres empilées
plot_ly(
data = langueApp2,
x = ~language,
y = ~pourcentage,
color = ~type_app,
colors = c("#e9c46a","#2a9d8f","#264653"),
type = "bar"
) %>%
layout(barmode = "stack",title = "Pourcentage d'utilisation par type d'appareil de 2019 à 2021")Série temporelle de cartes indiquant les volumes de connexions par langue (hors français) par moments de la journée
Préparation des données et construction de data-frames spatiaux par moment de la journée
langue <- wifiOk %>% filter(!(language == "Français"| language == "Autres" ))
langueAM <- langue %>% filter(between(as.numeric(substr(langue$s_heure,1,2)),0,11))
languePM <- langue %>% filter(between(as.numeric(substr(langue$s_heure,1,2)),12,18))
langueSoir <- langue %>% filter(between(as.numeric(substr(langue$s_heure,1,2)),19,23))
langue0AM <- langueAM %>% count(nom_site,language)
langue0PM <- languePM %>% count(nom_site,language)
langue0Soir <- langueSoir %>% count(nom_site,language)
langue1AM <- langue0AM %>% group_by(nom_site) %>% summarise_if(is.numeric, max)
langue1PM <- langue0PM %>% group_by(nom_site) %>% summarise_if(is.numeric, max)
langue1Soir <- langue0Soir %>% group_by(nom_site) %>% summarise_if(is.numeric, max)
langue2AM <- left_join(as.data.frame(langue1AM), langue0AM, by=c("nom_site","n"))
langue2PM <- left_join(as.data.frame(langue1PM), langue0PM, by=c("nom_site","n"))
langue2Soir <- left_join(as.data.frame(langue1Soir), langue0Soir, by=c("nom_site","n"))
langue3AM <- st_as_sf(langue2AM)
langue3PM <- st_as_sf(langue2PM)
langue3Soir <- st_as_sf(langue2Soir)Affichage d’un tableau de 3 cartes, une carte par moment de la journée.
Le matin va de 00h à 12h, l’après-midi va de 12h00 à 19h, le soir va de 19h à 00h
par(mar=c(0,0,3,0))
par(mfrow=c(1,3))
mf_init(x = ardt, expandBB = c(1.4,0,0,0))
mf_shadow(x = ardt, col = "grey50", cex = 1, add = TRUE)
mf_map(x = ardt, type = "base", col ="#dfdfdf", border = "#959595", lwd = 1, add = TRUE)
palAM <- c("#a6cee3", "#fdfcdc7D", "#1f78b4", "#b2df8a", "#33a02c","#fb9a99","#e31a1c", "#fdbf6f", "#ff7f00", "#cab2d6")
mf_map(
x = langue3AM,
var=c("n","language"),
type = "prop_typo",
val_max = 10000,
symbol = "circle",
lwd = 1,
pal = palAM,
val_order = c("Allemand","Anglais","Arabe","Chinois","Espagnol","Italien","Néerlandais","Polonais","Portugais","Russe"),
border = "#a2acbd",
inches = .35,
col_na = "grey",
leg_pos = c("topright", "bottomleft"),
leg_title = c("Nombre de connexions entre 2019 et 2021", "langue"),
leg_title_cex = c(0.7,0.7),
leg_val_cex = c(.5, .5),
leg_no_data = "No data",
leg_frame = c(FALSE, FALSE),
add = T)
mf_title("Nombre de connexions par langue le matin",bg = "#cdd2d4", fg = "#8A5543")
mf_scale(2)
mf_init(x = ardt, expandBB = c(0.5,0,0,0))
mf_shadow(x = ardt, col = "grey50", cex = 1, add = TRUE)
mf_map(x = ardt, type = "base", col ="#dfdfdf", border = "#959595", lwd = 1, add = TRUE)
palPM <- c("#a6cee3", "#fdfcdc7D", "#b2df8a", "#33a02c","#fb9a99","#cab2d6","#6a3d9a")
mf_map(
x = langue3PM,
var=c("n","language"),
val_max = 10000,
symbol = "circle",
type = "prop_typo",
lwd = 1,
pal = palPM,
val_order = c("Allemand","Anglais","Chinois","Espagnol","Italien","Russe","Japonais"),
border = "#a2acbd",
inches = .35,
col_na = "grey",
leg_pos = c("topright", "bottomleft"),
leg_title = c("Nombre de connexions entre 2019 et 2021", "langue"),
leg_title_cex = c(0.75,0.75),
leg_val_cex = c(.7, .7),
leg_no_data = "No data",
leg_frame = c(FALSE, FALSE),
add = T)
mf_title("Nombre de connexions l'après-midi",bg = "#cdd2d4", fg = "#8A5543")
mf_scale(2)
mf_init(x = ardt, expandBB = c(1.4,0,0,0))
mf_shadow(x = ardt, col = "grey50", cex = 1, add = TRUE)
mf_map(x = ardt, type = "base", col ="#dfdfdf", border = "#959595", lwd = 1, add = TRUE)
palSoir <- c("#a6cee3", "#fdfcdc7D", "#1f78b4", "#b2df8a", "#33a02c","#fb9a99","#e31a1c", "#fdbf6f", "#ff7f00", "#cab2d6")
mf_map(
x = langue3Soir,
var=c("n","language"),
val_max = 10000,
symbol = "circle",
type = "prop_typo",
lwd = 1,
pal = palSoir,
val_order = c("Allemand","Anglais","Arabe","Chinois","Espagnol","Italien","Néerlandais","Polonais","Portugais","Russe"),
border = "#a2acbd",
inches = .35,
col_na = "grey",
leg_pos = c("topright", "bottomleft"),
leg_title = c("Nombre de connexions entre 2019 et 2021", "langue"),
leg_title_cex = c(0.75,0.75),
leg_val_cex = c(.7, .7),
leg_no_data = "No data",
leg_frame = c(FALSE, FALSE),
add = T)
mf_title("Nombre de connexions par langue le soir",bg = "#cdd2d4", fg = "#8A5543")
mf_scale(2)
Boîte à moustaches représentant les durées de connexions selon le type d’appareil
4 valeurs aberrantes ont été supprimées
#suppression des valeurs aberrantes
duree <- wifiOk %>% filter(!(duration > 40000))
fig <- plot_ly(ggplot2::diamonds, y = ~duree$duration, color = ~duree$type_app, type = "box") %>% layout(showlegend = FALSE) %>%
layout(title = "Durée des connexions selon le type d'appareil",
xaxis = list(title = "Type d'appareil"),
yaxis = list(title = "Durée de connexion"))
fig